CN117542460A - 用于尿激酶分离的自适应参数优化方法及系统 - Google Patents
用于尿激酶分离的自适应参数优化方法及系统 Download PDFInfo
- Publication number
- CN117542460A CN117542460A CN202410028550.8A CN202410028550A CN117542460A CN 117542460 A CN117542460 A CN 117542460A CN 202410028550 A CN202410028550 A CN 202410028550A CN 117542460 A CN117542460 A CN 117542460A
- Authority
- CN
- China
- Prior art keywords
- urine
- data
- parameter
- personnel
- separation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000926 separation method Methods 0.000 title claims abstract description 164
- 102000003990 Urokinase-type plasminogen activator Human genes 0.000 title claims abstract description 109
- 108090000435 Urokinase-type plasminogen activator Proteins 0.000 title claims abstract description 109
- 229960005356 urokinase Drugs 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 230000003044 adaptive effect Effects 0.000 title claims description 21
- 210000002700 urine Anatomy 0.000 claims abstract description 420
- 238000012549 training Methods 0.000 claims abstract description 69
- 238000000605 extraction Methods 0.000 claims abstract description 58
- 238000007621 cluster analysis Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 54
- 230000015654 memory Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 15
- 238000002955 isolation Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000013480 data collection Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000002156 mixing Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000001962 electrophoresis Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 108091000080 Phosphotransferase Proteins 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 102000020233 phosphotransferase Human genes 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Evolutionary Biology (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了用于尿激酶分离的自适应参数优化方法及系统，涉及尿激酶分离技术领域，通过将所有尿液供应人员的尿液参数数据进行聚类分析，获得人员分组数据，对于每个人员分组，训练预测尿激酶分离的纯度的纯度预测模型，为每个人员分组设置一个提取容器，在尿液供应人员进行尿液供应前，将供应的尿液积攒在对应人员分组的提取容器中，在任意提取容器中尿液的容积大于预设的提取容积阈值时，将该提取容器中的尿液倾倒至尿激酶分离设备中，尿激酶分离设备后台生成分离参数设置策略；为每个人群提供合适的尿激酶分离设备的分离参数，提高了尿激酶分离的纯度。
Description
技术领域
本发明涉及尿激酶分离技术领域，具体适用于尿激酶分离的自适应参数优化方法及系统。
背景技术
尿激酶主要从人尿中分离，而对于尿激酶生产厂商而言，对于尿激酶的提取和研究的尿液主要是从挑选的一些尿液供应人员的群体中收集，例如与学校合作，收集学校中的学生群体的尿液用于提取尿激酶；然而因为不同的人群，身体状态和健康程度有所不同，尿液中的各种成分也不相同，而尿激酶的分离提取设备往往是对混合一定量的尿液进行提取；
而现有的分离技术通常不会针对不同人群的尿液特性进行分类以及对分离设备的参数进行优化，从而导致分离效果在不同的混合尿液中表现不稳定，提取出的尿激酶的纯度也不尽相同，导致了尿液样本的浪费；
授权公告号为CN217613447U的中国专利公开了一种尿激酶制备用树脂提取分离装置，包括：分离箱，分离板倾斜设置，两个分离板的上端相互贴合，导向槽的槽底开设有滤孔；出料口贯穿开设于分离箱的两侧内壁，出料口的外侧设置有收集箱，收集箱与分离板的下端正对应；活动管的上端连通搅拌箱，搅拌箱固定在分离箱的上表面，然而该装置未能实现对不同人群的尿液分组，以及分离参数的优化；
为此，本发明提出用于尿激酶分离的自适应参数优化方法及系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出用于尿激酶分离的自适应参数优化方法及系统，为每个人群提供合适的尿激酶分离设备的分离参数，提高了尿激酶分离的纯度。
为实现上述目的，根据本发明的实施例1提出用于尿激酶分离的自适应参数优化方法，包括以下步骤：
步骤一：收集尿液供应人员的身份信息以及尿液参数数据；
步骤二：将所有尿液供应人员的尿液参数数据进行聚类分析，获得聚类分组数据，基于身份信息和聚类分组数据，将尿液供应人员进行分组，获得人员分组数据；
步骤三：对于每个人员分组，收集尿液参数特征数据、分离参数特征数据以及纯度训练标签数据；
步骤四：对于每个人员分组，以尿液参数特征数据、分离参数特征数据为输入，以纯度训练标签数据为输出，训练预测尿激酶分离的纯度的纯度预测模型；
步骤五：为每个人员分组设置一个提取容器；在尿液供应人员进行尿液供应前，基于身份信息和人员分组数据，识别尿液供应人员对应的人员分组，将供应的尿液积攒在对应人员分组的提取容器中，并收集该次尿液供应的尿液供应数据；
步骤六：在任意提取容器中尿液的容积大于预设的提取容积阈值时，将该提取容器中的尿液倾倒至尿激酶分离设备中，尿激酶分离设备后台基于尿液参数数据、尿液供应数据以及纯度预测模型，生成分离参数设置策略；
所述收集尿液供应人员的身份信息以及尿液参数数据的方式包括：
收集每个尿液供应人员的姓名以及身份特征数据；
每个尿液供应人员的姓名以及身份特征数据组成所述身份信息；
收集每个尿液供应人员提供的测试尿液样本，并统计每份测试尿液样本中的各项尿液参数；
将每个尿液供应人员的测试尿液样本中各项尿液参数组成尿液参数集合；
所有尿液供应人员的姓名与尿液参数集合的对应关系组成尿液参数数据；
所述获得聚类分组数据包括：
步骤11：预设聚类数量K；
步骤12：将每个尿液供应人员的尿液参数集合作为一个N维离散点；其中，N为尿液参数集合中元素的数量，所述N维离散点在每一个维度的坐标对应尿液参数集合中的一个尿液参数；
步骤13：随机选择K个N维离散点作为初始聚类中心，其余的N维离散点作为非初始聚类中心；
步骤14：对于每个非初始聚类中心，计算到每个初始聚类中心的欧式距离，把每个N维离散点划分到离其最近的初始聚类中心所在的聚类簇中；
步骤15：计算每个聚类簇内N维离散点的每个维度对应的尿液参数的平均值，将每个维度对应的尿液参数的平均值组成新的N维离散点，将该新的N维离散点作为该聚类簇的新聚类中心；
步骤16：重新计算每个N维离散点到每个新聚类中心的欧式距离,将每个N维离散点重新划分到最近的新聚类中心所在的聚类簇中；
步骤17：重复步骤15-16，直至所有划分的聚类簇中的N维离散点不再变化，将每个聚类簇的编号标记为k，k=1,2,3,...K；获得每个聚类簇中包含的所有N维离散点，将其中的所有N维离散点组成离散点集合；所述聚类分组数据包括所有聚类簇的编号和离散点集合的对应关系；
所述将尿液供应人员进行分组，获得人员分组数据的方式为：
对于第k个聚类簇，获得聚类分组数据中对应的离散点集合，再获得离散点集合中每个N维离散点对应的尿液供应人员的姓名，从而获得第k个聚类簇对应的尿液供应人员的姓名集合；
所述人员分组数据包括每个聚类簇与姓名集合的对应关系，且每个聚类簇对应一个人员分组；
所述收集尿液参数特征数据、分离参数特征数据以及纯度训练标签数据的方式为：
选择C个测试供尿人员，获得每个测试供尿人员的尿液参数集合；其中，C为选择的测试供尿人员的数量；
获得每个测试供尿人员的尿液参数集合对应的N维离散点，基于该N维离散点与各个聚类簇的聚类中心的距离，将距离最近的聚类中心对应的聚类簇作为该测试供尿人员的人员分组，将测试供尿人员按人员分组的结果进行划分；
获得每个人员分组中的测试供尿人员提供的尿液，并对每份尿液使用尿激酶分离设备进行尿激酶的分离工作，获得分离出的尿激酶的尿激酶纯度，且每次分离工作对尿激酶分离设备使用的分离参数集合的设置有所区别；
对于第k个人员分组，收集该人员分组内所有测试供尿人员对应的尿液参数集合的集合、收集该人员分组内所有测试供尿人员对应的分离参数集合的集合，并收集该人员分组内所有测试供尿人员对应的尿激酶纯度的集合；
将所有人员分组对应的尿液参数集合的集合组成尿液参数特征数据，将所有人员分组对应的分离参数集合的集合组成分离参数特征数据，将所有人员分组对应的尿激酶纯度的集合作为纯度训练标签数据；
其中，所述训练预测尿激酶分离的纯度的纯度预测模型的方式为：
对于每个人员分组：
将该人员分组对应的测试供尿人员尿液参数特征数据、分离参数特征数据中，每个测试供尿人员的尿液参数集合和分离参数集合组成一组纯度特征向量；
将该人员分组对应的每组纯度特征向量作为纯度预测模型的输入，所述纯度预测模型以对每个测试供尿人员的预测的尿激酶纯度为输出，以纯度训练标签数据中，该测试供尿人员对应的尿激酶纯度为预测目标，以最小化对所有尿激酶纯度的预测误差之和作为训练目标；对纯度预测模型进行训练，直至预测误差之和达到收敛时停止训练，训练出对于该人员分组，根据纯度特征向量输出预测的尿激酶纯度的纯度预测模型；所述纯度预测模型是多项式回归模型；
所述基于身份信息和人员分组数据，识别尿液供应人员对应的人员分组的方式为：
在尿液供应人员进行尿液供应的位置安装身份识别装置；在尿液供应人员进行尿液供应前，身份识别装置获取尿液供应人员的身份特征数据，并与身份信息中保存的身份特征数据进行匹配，获得匹配到的尿液供应人员的姓名；
基于匹配的尿液供应人员的姓名，从人员分组数据中匹配对应的聚类簇的编号；
所述收集该次尿液供应的尿液供应数据的方式为：
收集该次尿液供应所供应的尿液体积，将每次尿液供应的尿液供应人员的姓名以及尿液的体积作为尿液供应数据；
其中，所述尿激酶分离设备后台基于尿液参数数据、尿液供应数据以及纯度预测模型，生成分离参数设置策略的方式为：
收集提取容器中所有供应尿液对应的尿液供应数据作为决策尿液供应数据集合；
将提取容器对应的人员分组的编号标记为p；
将决策尿液供应数据集合中，每次尿液供应数据对应的尿液供应人员的编号标记为zp，将第zp个尿液供应人员的尿液体积标记为Vzp；
基于每个尿液供应人员的尿液体积和尿液参数数据，计算该提取容器中，所有尿液供应人员的尿液经过混合后的各项尿液参数，组成混合尿液参数向量Gp；
获取第p个人员分组对应的纯度预测模型，将该纯度预测模型对应的函数表达式标记为Fp(G，S)；其中，G表示尿液参数集合，S表示分离参数集合；
将混合尿液参数向量Gp代入函数表达式Fp(G，S)中，获得关于分离参数集合的函数Fp(Gp，S)；
使用求导法，获得使得函数Fp(Gp，S)取最大值，对应的分离参数集合中每个分离参数的值，作为控制分离参数；
所述分离参数设置策略为：将尿激酶分离设备中的各个分离参数分别设置为对应的控制分离参数。
用于尿激酶分离的自适应参数优化系统，包括人员数据收集模块、人员聚类模块、训练数据收集模块、纯度预测模型训练模块以及分离参数优化模块；其中，各个模块之间通过电性连接；
人员数据收集模块，用于收集尿液供应人员的身份信息以及尿液参数数据，并将身份信息以及尿液参数数据发送至人员聚类模块以及分离参数优化模块；
人员聚类模块，用于将所有尿液供应人员的尿液参数数据进行聚类分析，获得聚类分组数据，基于身份信息和聚类分组数据，将尿液供应人员进行分组，获得人员分组数据，并将人员分组数据发送至训练数据收集模块以及分离参数优化模块；
训练数据收集模块，用于对于每个人员分组，收集尿液参数特征数据、分离参数特征数据以及纯度训练标签数据，并将尿液参数特征数据、分离参数特征数据以及纯度训练标签数据发送至纯度预测模型训练模块；
纯度预测模型训练模块，用于对于每个人员分组，以尿液参数特征数据、分离参数特征数据为输入，以纯度训练标签数据为输出，训练预测尿激酶分离的纯度的纯度预测模型；并将所有纯度预测模型发送至分离参数优化模块；
分离参数优化模块，用于为每个人员分组设置一个提取容器；在尿液供应人员进行尿液供应前，基于身份信息和人员分组数据，识别尿液供应人员对应的人员分组，将供应的尿液积攒在对应人员分组的提取容器中，并收集该次尿液供应的尿液供应数据，在任意提取容器中尿液的容积大于预设的提取容积阈值时，将该提取容器中的尿液倾倒至尿激酶分离设备中，尿激酶分离设备后台基于尿液参数数据、尿液供应数据以及纯度预测模型，生成分离参数设置策略。
一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的用于尿激酶分离的自适应参数优化方法。
一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述的用于尿激酶分离的自适应参数优化方法。
与现有技术相比，本发明的有益效果是：
本发明通过收集尿液供应人员的身份信息以及尿液参数数据，将所有尿液供应人员的尿液参数数据进行聚类分析，获得聚类分组数据，基于身份信息和聚类分组数据，将尿液供应人员进行分组，获得人员分组数据，对于每个人员分组，收集尿液参数特征数据、分离参数特征数据以及纯度训练标签数据，对于每个人员分组，以尿液参数特征数据、分离参数特征数据为输入，以纯度训练标签数据为输出，训练预测尿激酶分离的纯度的纯度预测模型，为每个人员分组设置一个提取容器；在尿液供应人员进行尿液供应前，基于身份信息和人员分组数据，识别尿液供应人员对应的人员分组，将供应的尿液积攒在对应人员分组的提取容器中，并收集该次尿液供应的尿液供应数据，在任意提取容器中尿液的容积大于预设的提取容积阈值时，将该提取容器中的尿液倾倒至尿激酶分离设备中，尿激酶分离设备后台基于尿液参数数据、尿液供应数据以及纯度预测模型，生成分离参数设置策略；通过针对不同的尿液供应人员所属的人群，为每个人群提供合适的尿激酶分离设备的分离参数，提高了尿激酶分离的纯度。
附图说明
图1为本发明的实施例1的用于尿激酶分离的自适应参数优化方法的流程图；
图2为本发明的实施例2的用于尿激酶分离的自适应参数优化系统的模块连接关系图；
图3为本发明实施例3中的电子设备结构示意图；
图4为本发明实施例4中的计算机可读存储介质结构示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1
如图1所示，用于尿激酶分离的自适应参数优化方法，包括以下步骤：
步骤一：收集尿液供应人员的身份信息以及尿液参数数据；
步骤二：将所有尿液供应人员的尿液参数数据进行聚类分析，获得聚类分组数据，基于身份信息和聚类分组数据，将尿液供应人员进行分组，获得人员分组数据；
步骤三：对于每个人员分组，收集尿液参数特征数据、分离参数特征数据以及纯度训练标签数据；
步骤四：对于每个人员分组，以尿液参数特征数据、分离参数特征数据为输入，以纯度训练标签数据为输出，训练预测尿激酶分离的纯度的纯度预测模型；
步骤五：为每个人员分组设置一个提取容器；在尿液供应人员进行尿液供应前，基于身份信息和人员分组数据，识别尿液供应人员对应的人员分组，将供应的尿液积攒在对应人员分组的提取容器中，并收集该次尿液供应的尿液供应数据；
步骤六：在任意提取容器中尿液的容积大于预设的提取容积阈值时，将该提取容器中的尿液倾倒至尿激酶分离设备中，尿激酶分离设备后台基于尿液参数数据、尿液供应数据以及纯度预测模型，生成分离参数设置策略；
其中，所述收集尿液供应人员的身份信息以及尿液参数数据的方式包括：
收集每个尿液供应人员的姓名以及身份特征数据；优选的，所述身份特征数据可以是脸部特征数据，通过脸部特征数据确定对应的尿液供应人员；
每个尿液供应人员的姓名以及身份特征数据组成所述身份信息；
收集每个尿液供应人员提供的测试尿液样本，并统计每份测试尿液样本中的各项尿液参数；具体的，所述尿液参数可以包括ph值、尿液比重、蛋白质含量、葡萄糖含量以及白细胞含量等；可以理解的是，每个尿液供应人员的尿液参数在短时间内是不会发生激烈变化的；
将每个尿液供应人员的测试尿液样本中各项尿液参数组成尿液参数集合；
所有尿液供应人员的姓名与尿液参数集合的对应关系组成尿液参数数据；
进一步的，所述获得聚类分组数据包括：
步骤11：预设聚类数量K；
步骤12：将每个尿液供应人员的尿液参数集合作为一个N维离散点；其中，N为尿液参数集合中元素的数量，所述N维离散点在每一个维度的坐标对应尿液参数集合中的一个尿液参数；例如，某个尿液供应人员的尿液参数集合为{7.1，1.0021}，分别对应ph值和尿液比重，则该尿液参数集合对应的N维离散点的坐标为(7.1，1.0021)；
步骤13：随机选择K个N维离散点作为初始聚类中心，其余的N维离散点作为非初始聚类中心；
步骤14：对于每个非初始聚类中心，计算到每个初始聚类中心的欧式距离，把每个N维离散点划分到离其最近的初始聚类中心所在的聚类簇中；
步骤15：计算每个聚类簇内N维离散点的每个维度对应的尿液参数的平均值，将每个维度对应的尿液参数的平均值组成新的N维离散点，将该新的N维离散点作为该聚类簇的新聚类中心；
步骤16：重新计算每个N维离散点到每个新聚类中心的欧式距离,将每个N维离散点重新划分到最近的新聚类中心所在的聚类簇中；
步骤17：重复步骤15-16，直至所有划分的聚类簇中的N维离散点不再变化，将每个聚类簇的编号标记为k，k=1,2,3,...K；获得每个聚类簇中包含的所有N维离散点，将其中的所有N维离散点组成离散点集合；所述聚类分组数据包括所有聚类簇的编号和离散点集合的对应关系；
进一步的，所述将尿液供应人员进行分组，获得人员分组数据的方式为：
对于第k个聚类簇，获得聚类分组数据中对应的离散点集合，再获得离散点集合中每个N维离散点对应的尿液供应人员的姓名，从而获得第k个聚类簇对应的尿液供应人员的姓名集合；
所述人员分组数据包括每个聚类簇与姓名集合的对应关系，且每个聚类簇对应一个人员分组；
进一步的，所述收集尿液参数特征数据、分离参数特征数据以及纯度训练标签数据的方式为：
选择C个测试供尿人员，获得每个测试供尿人员的尿液参数集合；其中，C为选择的测试供尿人员的数量；
获得每个测试供尿人员的尿液参数集合对应的N维离散点，基于该N维离散点与各个聚类簇的聚类中心的距离，将距离最近的聚类中心对应的聚类簇作为该测试供尿人员的人员分组，将测试供尿人员按人员分组的结果进行划分；
获得每个人员分组中的测试供尿人员提供的尿液，并对每份尿液使用尿激酶分离设备进行尿激酶的分离工作，获得分离出的尿激酶纯度，且每次分离工作对尿激酶分离设备使用的分离参数集合的设置有所区别；具体的分离参数集合的设置可以由尿激酶分离设备的测试人员根据实际经验设置；
具体的，所述分离参数集合可以包括离心机的离心速度和离心时长，电泳设备的电场强度和电泳时长；
对于第k个人员分组，收集该人员分组内所有测试供尿人员对应的尿液参数集合的集合、收集该人员分组内所有测试供尿人员对应的分离参数集合的集合，并收集该人员分组内所有测试供尿人员对应的尿激酶纯度的集合；
将所有人员分组对应的尿液参数集合的集合组成尿液参数特征数据，将所有人员分组对应的分离参数集合的集合组成分离参数特征数据，将所有人员分组对应的尿激酶纯度的集合作为纯度训练标签数据；
其中，所述训练预测尿激酶分离的纯度的纯度预测模型的方式为：
对于每个人员分组：
将该人员分组对应的测试供尿人员尿液参数特征数据、分离参数特征数据中，每个测试供尿人员的尿液参数集合和分离参数集合组成一组纯度特征向量；
将该人员分组对应的每组纯度特征向量作为纯度预测模型的输入，所述纯度预测模型以对每个测试供尿人员的预测的尿激酶纯度为输出，以纯度训练标签数据中，该测试供尿人员对应的尿激酶纯度为预测目标，以最小化对所有尿激酶纯度的预测误差之和作为训练目标；对纯度预测模型进行训练，直至预测误差之和达到收敛时停止训练，训练出对于该人员分组，根据纯度特征向量输出预测的尿激酶纯度的纯度预测模型；所述纯度预测模型是多项式回归模型；
具体的，所述预测误差之和可以是均方误差；
进一步的，所述基于身份信息和人员分组数据，识别尿液供应人员对应的人员分组的方式为：
在尿液供应人员进行尿液供应的位置安装身份识别装置；在尿液供应人员进行尿液供应前，身份识别装置获取尿液供应人员的身份特征数据，并与身份信息中保存的身份特征数据进行匹配，获得匹配到的尿液供应人员的姓名；
基于匹配的尿液供应人员的姓名，从人员分组数据中匹配对应的聚类簇的编号；
进一步的，所述收集该次尿液供应的尿液供应数据的方式为：
收集该次尿液供应所供应的尿液体积，将每次尿液供应的尿液供应人员的姓名以及尿液的体积作为尿液供应数据；
其中，所述尿激酶分离设备后台基于尿液参数数据、尿液供应数据以及纯度预测模型，生成分离参数设置策略的方式为：
收集提取容器中所有供应尿液对应的尿液供应数据作为决策尿液供应数据集合；
将提取容器对应的人员分组的编号标记为p；
将决策尿液供应数据集合中，每次尿液供应数据对应的尿液供应人员的编号标记为zp，将第zp个尿液供应人员的尿液体积标记为Vzp；
基于每个尿液供应人员的尿液体积和尿液参数数据，计算该提取容器中，所有尿液供应人员的尿液经过混合后的各项尿液参数，组成混合尿液参数向量Gp；需要说明的是，经过混合后的尿液参数的计算方式属于本领域的公知常识，例如，对于混合后的蛋白质含量可以通过公式；其中，Dzp为第zp个尿液供应人员的尿液参数集合中的蛋白质含量；
获取第p个人员分组对应的纯度预测模型，将该纯度预测模型对应的函数表达式标记为Fp(G，S)；其中，G表示尿液参数集合，S表示分离参数集合；可以理解的是，每个分离参数分别对应于函数表达式中的一个变量；例如，若将分离参数集合中的每个分离参数分别标记为s1，s2，...sK；其中，K为分离参数集合中元素的数量，则s1可以对应于离心机的离心速度，s2可以为离心机的分离时长；
将混合尿液参数向量Gp代入函数表达式Fp(G，S)中，获得关于分离参数集合的函数Fp(Gp，S)；
使用求导法，获得使得函数Fp(Gp，S)取最大值，对应的分离参数集合中每个分离参数的值，作为控制分离参数；
所述分离参数设置策略为：将尿激酶分离设备中的各个分离参数分别设置为对应的控制分离参数。
实施例2
如图2所示，用于尿激酶分离的自适应参数优化系统，包括人员数据收集模块、人员聚类模块、训练数据收集模块、纯度预测模型训练模块以及分离参数优化模块；其中，各个模块之间通过电性连接；
其中，所述人员数据收集模块主要用于收集尿液供应人员的身份信息以及尿液参数数据，并将身份信息以及尿液参数数据发送至人员聚类模块以及分离参数优化模块；
其中，所述人员聚类模块主要用于将所有尿液供应人员的尿液参数数据进行聚类分析，获得聚类分组数据，基于身份信息和聚类分组数据，将尿液供应人员进行分组，获得人员分组数据，并将人员分组数据发送至训练数据收集模块以及分离参数优化模块；
其中，所述训练数据收集模块主要用于对于每个人员分组，收集尿液参数特征数据、分离参数特征数据以及纯度训练标签数据，并将尿液参数特征数据、分离参数特征数据以及纯度训练标签数据发送至纯度预测模型训练模块；
其中，所述纯度预测模型训练模块主要用于对于每个人员分组，以尿液参数特征数据、分离参数特征数据为输入，以纯度训练标签数据为输出，训练预测尿激酶分离的纯度的纯度预测模型；并将所有纯度预测模型发送至分离参数优化模块；
其中， 所述分离参数优化模块主要用于为每个人员分组设置一个提取容器；在尿液供应人员进行尿液供应前，基于身份信息和人员分组数据，识别尿液供应人员对应的人员分组，将供应的尿液积攒在对应人员分组的提取容器中，并收集该次尿液供应的尿液供应数据，在任意提取容器中尿液的容积大于预设的提取容积阈值时，将该提取容器中的尿液倾倒至尿激酶分离设备中，尿激酶分离设备后台基于尿液参数数据、尿液供应数据以及纯度预测模型，生成分离参数设置策略。
实施例3
图3是本申请一个实施例提供的电子设备结构示意图。如图3所示，根据本申请的又一方面还提供了一种电子设备100。该电子设备100可包括一个或多个处理器以及一个或多个存储器。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的用于尿激酶分离的自适应参数优化方法。
根据本申请实施方式的方法或系统也可以借助于图3所示的电子设备的架构来实现。如图3所示，电子设备100可包括总线101、一个或多个CPU102、只读存储器(ROM)103、随机存取存储器(RAM)104、连接到网络的通信端口105、输入/输出组件106、硬盘107等。电子设备100中的存储设备，例如ROM103或硬盘107可存储本申请提供的用于尿激酶分离的自适应参数优化方法。用于尿激酶分离的自适应参数优化方法可例如包括以下步骤：步骤一：收集尿液供应人员的身份信息以及尿液参数数据；步骤二：将所有尿液供应人员的尿液参数数据进行聚类分析，获得聚类分组数据，基于身份信息和聚类分组数据，将尿液供应人员进行分组，获得人员分组数据；步骤三：对于每个人员分组，收集尿液参数特征数据、分离参数特征数据以及纯度训练标签数据；步骤四：对于每个人员分组，以尿液参数特征数据、分离参数特征数据为输入，以纯度训练标签数据为输出，训练预测尿激酶分离的纯度的纯度预测模型；步骤五：为每个人员分组设置一个提取容器；在尿液供应人员进行尿液供应前，基于身份信息和人员分组数据，识别尿液供应人员对应的人员分组，将供应的尿液积攒在对应人员分组的提取容器中，并收集该次尿液供应的尿液供应数据；步骤六：在任意提取容器中尿液的容积大于预设的提取容积阈值时，将该提取容器中的尿液倾倒至尿激酶分离设备中，尿激酶分离设备后台基于尿液参数数据、尿液供应数据以及纯度预测模型，生成分离参数设置策略；
进一步地，电子设备100还可包括用户界面108。当然，图3所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图3示出的电子设备中的一个或多个组件。
实施例4
图4是本申请一个实施例提供的计算机可读存储介质结构示意图。如图4所示，是根据本申请一个实施方式的计算机可读存储介质200。计算机可读存储介质200上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的用于尿激酶分离的自适应参数优化方法。计算机可读存储介质200包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。
可能以许多方式来实现本申请的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本申请的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本申请实施为记录在记录介质中的程序，这些程序包括用于实现根据本申请的方法的机器可读指令。因而，本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外，本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
如上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是，以上所述仅为本发明的具体实施方式，并不用于限制本发明。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (12)
1.用于尿激酶分离的自适应参数优化方法，其特征在于，包括以下步骤：
收集尿液供应人员的身份信息以及尿液参数数据；
将所有尿液供应人员的尿液参数数据进行聚类分析，获得聚类分组数据，基于身份信息和聚类分组数据，将尿液供应人员进行分组，获得人员分组数据；
对于每个人员分组，收集尿液参数特征数据、分离参数特征数据以及纯度训练标签数据；
对于每个人员分组，以尿液参数特征数据、分离参数特征数据为输入，以纯度训练标签数据为输出，训练预测尿激酶分离的纯度的纯度预测模型；
为每个人员分组设置一个提取容器；在尿液供应人员进行尿液供应前，基于身份信息和人员分组数据，识别尿液供应人员对应的人员分组，将供应的尿液积攒在对应人员分组的提取容器中，并收集该次尿液供应的尿液供应数据；
在任意提取容器中尿液的容积大于预设的提取容积阈值时，将该提取容器中的尿液倾倒至尿激酶分离设备中，尿激酶分离设备后台基于尿液参数数据、尿液供应数据以及纯度预测模型，生成分离参数设置策略。
2.根据权利要求1所述的用于尿激酶分离的自适应参数优化方法，其特征在于，所述收集尿液供应人员的身份信息以及尿液参数数据的方式包括：
收集每个尿液供应人员的姓名以及身份特征数据；
每个尿液供应人员的姓名以及身份特征数据组成所述身份信息；
收集每个尿液供应人员提供的测试尿液样本，并统计每份测试尿液样本中的各项尿液参数；
将每个尿液供应人员的测试尿液样本中各项尿液参数组成尿液参数集合；
所有尿液供应人员的姓名与尿液参数集合的对应关系组成尿液参数数据。
3.根据权利要求2所述的用于尿激酶分离的自适应参数优化方法，其特征在于，所述获得聚类分组数据包括：
步骤11：预设聚类数量K；
步骤12：将每个尿液供应人员的尿液参数集合作为一个N维离散点；其中，N为尿液参数集合中元素的数量，所述N维离散点在每一个维度的坐标对应尿液参数集合中的一个尿液参数；
步骤13：随机选择K个N维离散点作为初始聚类中心，其余的N维离散点作为非初始聚类中心；
步骤14：对于每个非初始聚类中心，计算到每个初始聚类中心的欧式距离，把每个N维离散点划分到离其最近的初始聚类中心所在的聚类簇中；
步骤15：计算每个聚类簇内N维离散点的每个维度对应的尿液参数的平均值，将每个维度对应的尿液参数的平均值组成新的N维离散点，将该新的N维离散点作为该聚类簇的新聚类中心；
步骤16：重新计算每个N维离散点到每个新聚类中心的欧式距离,将每个N维离散点重新划分到最近的新聚类中心所在的聚类簇中；
步骤17：重复步骤15-16，直至所有划分的聚类簇中的N维离散点不再变化，将每个聚类簇的编号标记为k，k=1,2,3,...K；获得每个聚类簇中包含的所有N维离散点，将其中的所有N维离散点组成离散点集合；所述聚类分组数据包括所有聚类簇的编号和离散点集合的对应关系。
4.根据权利要求3所述的用于尿激酶分离的自适应参数优化方法，其特征在于，所述将尿液供应人员进行分组，获得人员分组数据的方式为：
对于第k个聚类簇，获得聚类分组数据中对应的离散点集合，再获得离散点集合中每个N维离散点对应的尿液供应人员的姓名，从而获得第k个聚类簇对应的尿液供应人员的姓名集合；
所述人员分组数据包括每个聚类簇与姓名集合的对应关系，且每个聚类簇对应一个人员分组。
5.根据权利要求4所述的用于尿激酶分离的自适应参数优化方法，其特征在于，所述收集尿液参数特征数据、分离参数特征数据以及纯度训练标签数据的方式为：
选择C个测试供尿人员，获得每个测试供尿人员的尿液参数集合；其中，C为选择的测试供尿人员的数量；
获得每个测试供尿人员的尿液参数集合对应的N维离散点，基于该N维离散点与各个聚类簇的聚类中心的距离，将距离最近的聚类中心对应的聚类簇作为该测试供尿人员的人员分组，将测试供尿人员按人员分组的结果进行划分；
获得每个人员分组中的测试供尿人员提供的尿液，并对每份尿液使用尿激酶分离设备进行尿激酶的分离工作，获得分离出的尿激酶纯度，且每次分离工作对尿激酶分离设备使用的分离参数集合的设置有所区别；
对于第k个人员分组，收集该人员分组内所有测试供尿人员对应的尿液参数集合的集合、收集该人员分组内所有测试供尿人员对应的分离参数集合的集合，并收集该人员分组内所有测试供尿人员对应的尿激酶纯度的集合；
将所有人员分组对应的尿液参数集合的集合组成尿液参数特征数据，将所有人员分组对应的分离参数集合的集合组成分离参数特征数据，将所有人员分组对应的尿激酶纯度的集合作为纯度训练标签数据。
6.根据权利要求5所述的用于尿激酶分离的自适应参数优化方法，其特征在于，所述训练预测尿激酶分离的纯度的纯度预测模型的方式为：
对于每个人员分组：
将该人员分组对应的测试供尿人员尿液参数特征数据、分离参数特征数据中，每个测试供尿人员的尿液参数集合和分离参数集合组成一组纯度特征向量；
将该人员分组对应的每组纯度特征向量作为纯度预测模型的输入，所述纯度预测模型以对每个测试供尿人员的预测的尿激酶纯度为输出，以纯度训练标签数据中，该测试供尿人员对应的尿激酶纯度为预测目标，以最小化对所有尿激酶纯度的预测误差之和作为训练目标；对纯度预测模型进行训练，直至预测误差之和达到收敛时停止训练，训练出对于该人员分组，根据纯度特征向量输出预测的尿激酶纯度的纯度预测模型。
7.根据权利要求6所述的用于尿激酶分离的自适应参数优化方法，其特征在于，所述纯度预测模型是多项式回归模型。
8.根据权利要求7所述的用于尿激酶分离的自适应参数优化方法，其特征在于，所述收集该次尿液供应的尿液供应数据的方式为：
收集该次尿液供应所供应的尿液体积，将每次尿液供应的尿液供应人员的姓名以及尿液的体积作为尿液供应数据。
9.根据权利要求8所述的用于尿激酶分离的自适应参数优化方法，其特征在于，所述尿激酶分离设备后台基于尿液参数数据、尿液供应数据以及纯度预测模型，生成分离参数设置策略的方式为：
收集提取容器中所有供应尿液对应的尿液供应数据作为决策尿液供应数据集合；
将提取容器对应的人员分组的编号标记为p；
将决策尿液供应数据集合中，每次尿液供应数据对应的尿液供应人员的编号标记为zp，将第zp个尿液供应人员的尿液体积标记为Vzp；
基于每个尿液供应人员的尿液体积和尿液参数数据，计算该提取容器中，所有尿液供应人员的尿液经过混合后的各项尿液参数，组成混合尿液参数向量Gp；
获取第p个人员分组对应的纯度预测模型，将该纯度预测模型对应的函数表达式标记为Fp(G，S)；其中，G表示尿液参数集合，S表示分离参数集合；
将混合尿液参数向量Gp代入函数表达式Fp(G，S)中，获得关于分离参数集合的函数Fp(Gp，S)；
使用求导法，获得使得函数Fp(Gp，S)取最大值，对应的分离参数集合中每个分离参数的值，作为控制分离参数；
所述分离参数设置策略为：将尿激酶分离设备中的各个分离参数分别设置为对应的控制分离参数。
10.用于尿激酶分离的自适应参数优化系统，其特征在于，包括人员数据收集模块、人员聚类模块、训练数据收集模块、纯度预测模型训练模块以及分离参数优化模块；其中，各个模块之间通过电性连接；
人员数据收集模块，用于收集尿液供应人员的身份信息以及尿液参数数据，并将身份信息以及尿液参数数据发送至人员聚类模块以及分离参数优化模块；
人员聚类模块，用于将所有尿液供应人员的尿液参数数据进行聚类分析，获得聚类分组数据，基于身份信息和聚类分组数据，将尿液供应人员进行分组，获得人员分组数据，并将人员分组数据发送至训练数据收集模块以及分离参数优化模块；
训练数据收集模块，用于对于每个人员分组，收集尿液参数特征数据、分离参数特征数据以及纯度训练标签数据，并将尿液参数特征数据、分离参数特征数据以及纯度训练标签数据发送至纯度预测模型训练模块；
纯度预测模型训练模块，用于对于每个人员分组，以尿液参数特征数据、分离参数特征数据为输入，以纯度训练标签数据为输出，训练预测尿激酶分离的纯度的纯度预测模型；并将所有纯度预测模型发送至分离参数优化模块；
分离参数优化模块，用于为每个人员分组设置一个提取容器；在尿液供应人员进行尿液供应前，基于身份信息和人员分组数据，识别尿液供应人员对应的人员分组，将供应的尿液积攒在对应人员分组的提取容器中，并收集该次尿液供应的尿液供应数据，在任意提取容器中尿液的容积大于预设的提取容积阈值时，将该提取容器中的尿液倾倒至尿激酶分离设备中，尿激酶分离设备后台基于尿液参数数据、尿液供应数据以及纯度预测模型，生成分离参数设置策略。
11.一种电子设备，其特征在于，包括：处理器和存储器，其中，
所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，在后台中执行权利要求1-9中任意一项所述的用于尿激酶分离的自适应参数优化方法。
12.一种计算机可读存储介质，其特征在于，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备在后台中执行权利要求1-9中任意一项所述的用于尿激酶分离的自适应参数优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410028550.8A CN117542460B (zh) | 2024-01-09 | 2024-01-09 | 用于尿激酶分离的自适应参数优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410028550.8A CN117542460B (zh) | 2024-01-09 | 2024-01-09 | 用于尿激酶分离的自适应参数优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117542460A true CN117542460A (zh) | 2024-02-09 |
| CN117542460B CN117542460B (zh) | 2024-03-22 |
Family
ID=89786534
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410028550.8A Active CN117542460B (zh) | 2024-01-09 | 2024-01-09 | 用于尿激酶分离的自适应参数优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117542460B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005007679A1 (en) * | 2003-07-17 | 2005-01-27 | Protosera Inc. | Membrane protein library for proteome analysis and method for preparing same |
| CN108047086A (zh) * | 2004-12-22 | 2018-05-18 | Ambrx公司 | 含有非天然氨基酸和多肽的组合物、涉及非天然氨基酸和多肽的方法以及其用途 |
| CN108086437A (zh) * | 2017-10-09 | 2018-05-29 | 佛山智敏电子科技有限公司 | 一种改进型尿激酶原料分离回收系统 |
| US11054432B2 (en) * | 2011-09-25 | 2021-07-06 | Labrador Diagnostics Llc | Systems and methods for multi-purpose analysis |
| CN113488166A (zh) * | 2021-07-28 | 2021-10-08 | 联仁健康医疗大数据科技股份有限公司 | 糖尿病数据分析模型训练及数据管理方法、装置和设备 |
| US20220073606A1 (en) * | 2014-12-19 | 2022-03-10 | H. Lundbeck A/S | Humanized anti-acth antibodies and use thereof |
| CN116920457A (zh) * | 2023-09-12 | 2023-10-24 | 江苏尤里卡生物科技有限公司 | 一种收集尿液中的蛋白质分离装置及其分离方法 |
-
2024
- 2024-01-09 CN CN202410028550.8A patent/CN117542460B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005007679A1 (en) * | 2003-07-17 | 2005-01-27 | Protosera Inc. | Membrane protein library for proteome analysis and method for preparing same |
| CN108047086A (zh) * | 2004-12-22 | 2018-05-18 | Ambrx公司 | 含有非天然氨基酸和多肽的组合物、涉及非天然氨基酸和多肽的方法以及其用途 |
| US11054432B2 (en) * | 2011-09-25 | 2021-07-06 | Labrador Diagnostics Llc | Systems and methods for multi-purpose analysis |
| US20220073606A1 (en) * | 2014-12-19 | 2022-03-10 | H. Lundbeck A/S | Humanized anti-acth antibodies and use thereof |
| CN108086437A (zh) * | 2017-10-09 | 2018-05-29 | 佛山智敏电子科技有限公司 | 一种改进型尿激酶原料分离回收系统 |
| CN113488166A (zh) * | 2021-07-28 | 2021-10-08 | 联仁健康医疗大数据科技股份有限公司 | 糖尿病数据分析模型训练及数据管理方法、装置和设备 |
| CN116920457A (zh) * | 2023-09-12 | 2023-10-24 | 江苏尤里卡生物科技有限公司 | 一种收集尿液中的蛋白质分离装置及其分离方法 |
Non-Patent Citations (3)
| Title |
|---|
| FRANCESCO BLASI等: "The urokinase receptor: Focused cell surface proteolysis, cell adhesion and signaling", 《FEBS LETTERS》, vol. 584, 27 December 2009 (2009-12-27), pages 1923 - 1930, XP071252377, DOI: 10.1016/j.febslet.2009.12.039 * |
| MAHMOUD A. AL-SHA\'ER等: "Discovery of novel urokinase plasminogen activator (uPA) inhibitors using ligand-based modeling and virtual screening followed by in vitro analysis", 《JOURNAL OF MOLECULAR MODELING》, 28 January 2014 (2014-01-28), pages 1 - 15 * |
| 吴娅丽: "基于多组学模式的威廉环毛蚓抗血栓成分DPf3的分离鉴定及机制研究", 《中国博士学位论文全文数据库_医药卫生科技辑》, 15 April 2021 (2021-04-15), pages 057 - 5 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117542460B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111181939B (zh) | 一种基于集成学习的网络入侵检测方法及装置 | |
| CN104239858B (zh) | 一种人脸特征验证的方法和装置 | |
| CN107978311A (zh) | 一种语音数据处理方法、装置以及语音交互设备 | |
| CN112270196A (zh) | 实体关系的识别方法、装置及电子设备 | |
| CN106951499A (zh) | 一种基于翻译模型的知识图谱表示方法 | |
| CN107067022B (zh) | 图像分类模型的建立方法、建立装置和设备 | |
| CN106845358A (zh) | 一种手写体字符图像特征识别的方法及系统 | |
| CN104463201A (zh) | 一种识别驾驶状态、驾驶人的方法及装置 | |
| CN110852425A (zh) | 基于优化的神经网络的处理方法、装置和电子系统 | |
| CN110704616A (zh) | 设备告警工单识别方法及装置 | |
| CN115130538A (zh) | 文本分类模型的训练方法、文本处理的方法、设备及介质 | |
| CN110458600A (zh) | 画像模型训练方法、装置、计算机设备及存储介质 | |
| CN108241662A (zh) | 数据标注的优化方法及装置 | |
| CN108205708A (zh) | 一种新型可扩展的深度学习系统及数据识别方法 | |
| CN111414930B (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
| CN117542460B (zh) | 用于尿激酶分离的自适应参数优化方法及系统 | |
| CN113764034B (zh) | 基因组序列中潜在bgc的预测方法、装置、设备及介质 | |
| CN117315237A (zh) | 目标检测模型的确定方法及装置、存储介质 | |
| CN110414229B (zh) | 操作命令检测方法、装置、计算机设备及存储介质 | |
| CN111814832A (zh) | 一种目标检测方法、装置及存储介质 | |
| CN111950482B (zh) | 基于视频学习和文本学习的三元组获取方法及装置 | |
| CN115037790A (zh) | 异常注册识别方法、装置、设备及存储介质 | |
| CN110610206A (zh) | 图片的低俗归因识别方法、装置及设备 | |
| CN112668342A (zh) | 基于孪生网络的远程监督关系抽取降噪系统 | |
| CN111079526A (zh) | 一种信鸽亲缘关系分析方法、装置及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |